这个品类的数据长什么样
眼科临床试验预筛数据主要来源于电子病历系统（EHR）、影像报告（如 OCT、眼底照相）、实验室检查结果以及患者问卷。数据更新频率因来源而异，EHR 数据实时性较高，影像报告通常在检查完成后数小时内更新，而患者问卷则依赖于患者提交。文档结构上，EHR 记录多为半结构化文本，包含主诉、现病史、既往史等；影像报告则包含结构化测量数据和非结构化描述性文本；实验室结果通常为结构化数值。字段与单位具有特异性，例如眼压（mmHg）、视力（Snellen 或 LogMAR）、视野缺损程度（dB）、黄斑中心凹厚度（μm）等，这些指标的正常范围和异常阈值是临床判断的关键。
这些特征在「工作流编排」这一环带来什么约束
眼科数据的多样性对工作流编排提出了具体要求。半结构化的 EHR 文本需要先进的自然语言处理（NLP）能力进行实体识别和信息提取，以准确捕捉关键症状和诊断信息。影像报告中的结构化数据与描述性文本的结合，要求工作流能够同时处理数值比较和文本语义分析。更新频率的差异意味着工作流需要具备灵活的触发机制，例如，新病历记录的实时处理与影像数据批次处理的结合。眼科特有的字段和单位，如眼压或视力，要求工作流中的数据校验和转换模块能够识别并正确处理这些特定指标，确保数值比较的准确性。此外，对疾病特定阈值的依赖，使得规则引擎在工作流中扮演核心角色，用于判断患者是否符合预筛标准。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 3000–4000 字符 | 包含完整的 EHR 描述和影像报告关键信息，避免因上下文截断导致语义丢失。 |
similarityThreshold | 0.75–0.85 | 用于精确匹配眼科疾病描述和症状，减少误召回。 |
recallTopK | 5–8 条 | 确保检索到足够多的相关病历或指南片段，支持更全面的判断。 |
reRankTopK | 3 条 | 在高召回率基础上，精选最相关的片段，提升后续处理效率和准确性。 |
fileParsingTimeout | 600 秒 | 处理大型影像报告或复杂 EHR 记录的解析时间，应对数据量波动。 |
ocrAccuracyThreshold | 0.001 (错字率) | 保证影像中文字识别的准确性，如医生手写批注或扫描文档中的关键信息。 |
容易做错的三处
- 工作流处理结果中，眼压、视力等关键数值为空或格式错误，原因在于数据提取模块未能正确识别眼科特有的字段名称或单位，导致解析失败。
- 患者被错误地标记为符合或不符合预筛标准，原因在于规则引擎中使用的疾病阈值与实际临床标准存在偏差，或者条件判断逻辑未能充分考虑眼科疾病的复杂性。
- 处理大型影像报告时，工作流频繁出现超时错误，原因在于文件解析和OCR识别模块的默认超时设置过短，无法应对高分辨率图像或多页文档的处理需求。
怎么确认配好了
- 选取一批已知预筛结果的眼科病历，运行工作流，核对输出的预筛结论与实际结果的一致性。
- 检查工作流日志中关键眼科指标（如眼压、黄斑厚度）的提取值，确保数值准确且单位正确。
- 测试不同文档类型（如结构化报告、非结构化病程记录）的处理流程，确认所有信息都能被有效捕获和解析。
问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。